4. 图像预处理（上）：色彩空间转换与图像滤波
各位同学，大家好。今天我们进入图像预处理的第一部分。说实话，在农田环境里，摄像头采集到的原始图像，基本没法直接用。光线变化、尘土、枝叶晃动，各种干扰。所以预处理这一步，是决定后续检测成败的关键。
我个人习惯把预处理分成两大块：色彩空间转换和图像滤波。今天咱们就把这两块的核心讲透。
4.1 色彩空间转换：从RGB到HSV，再到灰度
先问大家一个问题：为什么我们不用RGB直接做障碍物检测？
RGB三个通道，说白了就是红绿蓝的亮度叠加。但农田里的光照变化太剧烈了——早上是暖色调，中午是冷色调，树荫下又偏暗。RGB对光照变化特别敏感，同一个绿色物体，在阳光下和阴影里，RGB值能差好几倍。
所以我们需要更鲁棒的色彩空间。
4.1.1 HSV色彩空间
HSV把颜色拆成三个分量：色调（Hue）、饱和度（Saturation）、明度（Value）。说白了，H决定是什么颜色，S决定颜色有多纯，V决定有多亮。
我在项目中遇到过这样一个场景：要检测田里的红色障碍物（比如警示桩）。用RGB做阈值分割，上午调好的参数，下午就失效了。换成HSV后，只对H通道做范围筛选，S和V稍微放宽，效果稳定多了。
核心经验：在农田视觉中，HSV比RGB更适合做基于颜色的分割。因为H通道对光照变化不敏感。
下面是一个OpenCV的转换示例：
import cv2
import numpy as np
# 读取图像
img = cv2.imread('field.jpg')
# RGB转HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 定义绿色的范围（在HSV中）
lower_green = np.array([35, 40, 40])
upper_green = np.array([85, 255, 255])
# 提取绿色区域
mask = cv2.inRange(hsv, lower_green, upper_green)
result = cv2.bitwise_and(img, img, mask=mask)小技巧：OpenCV中HSV的H范围是0-180，不是0-360。绿色大约在35-85之间。这个范围我调了不下50次才找到最佳值。
4.1.2 灰度转换
灰度图，说白了就是扔掉颜色信息，只保留亮度。为什么需要它？因为很多算法（比如边缘检测、特征点提取）都是在灰度图上跑的。颜色信息反而会引入噪声。
转换公式很简单：Gray = 0.299*R + 0.587*G + 0.114*B。为什么权重不一样？因为人眼对绿色最敏感，对蓝色最不敏感。
嗯，这里要注意：不要直接用(R+G+B)/3做平均，那样会丢失对比度。我在早期项目里犯过这个错，结果边缘检测效果惨不忍睹。
# 灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 或者直接读取为灰度
gray = cv2.imread('field.jpg', cv2.IMREAD_GRAYSCALE)4.2 图像滤波：去噪是门手艺
农田里的噪声来源太多了：CMOS传感器的热噪声、风吹草动产生的随机像素、灰尘颗粒。滤波的目的就是把这些噪声干掉，同时尽量保留边缘信息。
我常用的三种滤波：高斯、中值、双边。各有各的脾气。
4.2.1 高斯滤波
高斯滤波，说白了就是用邻域像素的加权平均来替换中心像素。权重由高斯分布决定——离中心越近，权重越大。
它适合处理高斯噪声，也就是那种随机出现的、幅度不大的噪声。比如传感器在弱光下产生的噪点。
# 高斯滤波
# (5,5)是核大小，sigmaX是标准差
blurred = cv2.GaussianBlur(img, (5, 5), 1.5)避坑指南：核大小必须是奇数。我曾经设成(4,4)，程序直接报错。另外，核越大，图像越模糊，边缘信息丢失越严重。在农田场景里，我一般用(3,3)或(5,5)，再大就过度平滑了。
4.2.2 中值滤波
中值滤波，就是把邻域内的像素排序，取中间值。它对椒盐噪声特别有效——就是那种黑白点状的噪声。
为什么？你想想看，椒盐噪声的像素值要么极大要么极小，排序后肯定被挤到两端，中间值大概率是正常像素。
我在处理无人机拍摄的农田图像时，经常遇到因为传输丢包产生的椒盐噪声。中值滤波一上，效果立竿见影。
# 中值滤波
# 参数是核大小，必须是奇数
median = cv2.medianBlur(img, 5)个人经验：中值滤波的核大小不要超过7。我试过9x9的核，结果图像边缘全糊了，像水彩画一样。3x3或5x5就够用。
4.2.3 双边滤波
双边滤波，这是我最喜欢的一种。它能在去噪的同时，保留边缘。
原理有点意思：它不光考虑空间距离（像高斯滤波那样），还考虑像素值的差异。如果两个像素的亮度差太大，就算挨得近，也不参与平均。这样边缘就不会被模糊掉。
在农田场景里，比如要检测田埂和作物之间的边界，双边滤波就特别合适。高斯滤波会把边界也抹掉，双边滤波不会。
# 双边滤波
# d：邻域直径
# sigmaColor：颜色空间标准差
# sigmaSpace：空间坐标标准差
bilateral = cv2.bilateralFilter(img, 9, 75, 75)关键参数：sigmaColor控制颜色相似度的阈值。值越大，越多的颜色差异会被忽略。sigmaSpace控制空间距离的影响。我一般从(9, 75, 75)开始调，然后根据效果微调。
4.3 三种滤波的对比
为了方便大家选择，我整理了一个表格：
| 滤波类型 | 适用噪声 | 边缘保留 | 速度 | 推荐场景 |
|---|---|---|---|---|
| 高斯滤波 | 高斯噪声 | 差 | 快 | 光照均匀的农田 |
| 中值滤波 | 椒盐噪声 | 中等 | 中等 | 无人机传输图像 |
| 双边滤波 | 混合噪声 | 好 | 慢 | 需要保留边缘的场景 |
嗯，这里要提醒一句：双边滤波虽然效果好，但计算量是高斯滤波的几十倍。在嵌入式设备上，如果帧率要求高，我建议先用高斯滤波快速处理，只在关键区域用双边滤波。
4.4 实战建议：预处理流程
我个人在农田项目中的标准流程是这样的：
- 先转灰度或HSV：根据任务需求选择。如果是颜色分割，用HSV；如果是边缘检测，用灰度。
- 再滤波去噪：优先尝试高斯滤波（速度快）。如果噪声是椒盐型，换中值。如果边缘信息重要，上双边。
- 最后做形态学操作：这个我们下一章讲。
曾经踩过的坑：有一次我直接对RGB图像做滤波，然后才转HSV。结果滤波把颜色边界模糊了，HSV分割出来的区域全是锯齿。后来改成先转HSV再滤波，效果好了很多。顺序很重要！
好了，今天的内容就到这里。色彩空间转换和滤波是预处理的基础，但也是决定成败的关键。下一章我们讲形态学操作和直方图均衡化，到时候会用到今天学的知识。
大家回去可以试试：找一张农田照片，分别用三种滤波处理，看看效果差异。有什么问题，我们下节课讨论。